EP 91. 26년 1Q 비즈니스 관점에서의 AI

게시 2026/03/22 업데이트 2026/03/22

By BLUEBUG

75 분읽는 시간

AI 프론티어 | 2026년 3월 21일
출연: 노정석, 최승준
원본 영상: https://www.youtube.com/watch?v=FPYOVt2B5EM
발표 자료: https://aifrontier.kr/episodes/ep91/slides.pdf

📋 목차

에피소드 개요
OpenClaw Seoul 밋업 후기
AI 하네스 라이프사이클 — 가재 가족과 Ralph Loop
Chedex와 Ralph Loop 방법론
건강검진 사건과 AI의 의료적 활용
GTC 키노트와 ‘일의 미래’
2026년 3월 AI 산업 스냅샷
RLVR과 CUA — 올해의 핵심 경쟁 축
모든 문제는 Search Problem으로 수렴한다
Capability Overhang — 모델은 우리 생각보다 훨씬 똑똑하다
회사 독점 지식 테스트와 보안 관점의 역전
Auto Research와 최적화 동형성
Ralph Loop 변종과 Meta Cascading
에이전트 시대의 인재 정의
OpenClaw와 개인 에이전트의 부상
에이전트가 기존 앱을 대신 조작하는 레이어
Bundle-Unbundle 프레임워크
기존 사업자의 UX 마찰과 Disintermediation
적응 경쟁의 시대 — 요트 경기 비유
1/10x 효율 vs 10x 신사업
에이전트를 붙여도 아직 10배는 아니다
돌고 돌아 바닐라가 답이다
10x New Biz는 Entrepreneur의 영역
업무를 통째로 없애야 진짜 AX다
조직 재편과 AI Native Talent
Prompt Injection과 격리 운영 전략
요트 경기처럼 따라가기 — 클로징 메시지
핵심 요약 및 인사이트 정리

1. 에피소드 개요

이 에피소드는 2026년 3월 21일 토요일에 녹화되었으며, AI 프론티어 팟캐스트의 91번째 에피소드다. 진행자인 노정석과 최승준이 대화 형식으로 진행하며, 크게 세 가지 흐름으로 구성된다.

첫 번째, 직전 주에 참석했던 OpenClaw Seoul 밋업 현장 후기와 그곳에서 만난 젊은 개발자들의 방법론 소개.

두 번째, AI 비즈니스의 본질적 관점 — “모든 문제는 compute를 이용한 search problem으로 귀결된다”는 명제를 중심으로 한 깊이 있는 논의.

세 번째, 기업의 AX(AI Transformation)가 현실에서 어떻게 작동하고 실패하는지, 4년간의 직접 경험에서 우러난 솔직한 인사이트 공유.

핵심 주제어: OpenClaw, Ralph Loop, RLVR, Search Problem, Bundle-Unbundle, AX, 1/10x vs 10x, 바닐라 방법론, Entrepreneur, Prompt Injection

2. OpenClaw Seoul 밋업 후기

행사 개요

OpenClaw Seoul 밋업은 2026년 3월 토요일 오후, Scionic 사무실 지하 세미나 공간에서 열렸다. 노정석은 그날 오전 진원님과 녹화를 마친 직후 오후에 바로 참석했으며, 오랜만에 반가운 얼굴들과 젊고 뛰어난 개발자들이 한 자리에 모였다고 전했다.

주요 참석자

해시드 김서준 대표 — 발표 진행
노정석, 최승준 — 직접 참석 및 네트워킹
허예찬(Oh-My-OpenCode 개발자) — 가재 가족 및 AI 하네스 발표
민석님 — 참석

장소 인상

Scionic의 새 사무실은 “굉장히 예쁘게 잘 만들었다”는 평가를 받았으며, 지하 세미나·발표 공간을 따로 운영할 정도로 잘 갖춰져 있었다. 노정석은 앞으로 이 공간을 빌려 행사를 진행하고 싶다는 뜻을 내비쳤다.

분위기

발표가 여러 편 이어지는 가운데 네트워킹과 토론도 활발하게 이루어졌다. 노정석은 “모든 발표를 다 본 것은 아니다”라고 인정하면서도, 만난 젊은 개발자들로부터 “unlearn”의 계기를 얻었다고 강조했다. 특히 이 자리에서 보게 된 방법론들이 서로 달랐으며, 일의 방식에 대해 근본적인 자극을 받았다고 평가했다.

3. AI 하네스 라이프사이클 — 가재 가족과 Ralph Loop

허예찬(예찬님)의 발표 내용

이 에피소드에서 가장 상세하게 소개된 발표는 Oh-My-Claude-Code(OMC) 및 Oh-My-Codex(OMX) 를 만든 허예찬님의 것이었다.

예찬님은 OpenClaw를 이용해 ‘가재 가족’이라는 AI 에이전트 군(群)을 구성하고, 이 가재 가족들이 실질적으로 코딩 하네스들(OMX, OMC 등)을 다루는 형태로 프로젝트를 운영하는 방식을 소개했다.

핵심 구조 — 메타 레이어 캐스케이딩:

[본인 (형님)] → 역할이 아닌 "작은 AI 회사" 리딩
       ↓
[메타 레이어 AI 에이전트들]
       ↓
[하위 하네스들: OMX, OMC 등]
       ↓
[Task 해결 → 완료되면 리포팅 상위로 올라옴]
       ↓
[안정화된 워크플로우 → 완전 자동으로 혼자 돌게 됨]

예찬님은 본인을 “형님”이라 지칭하며, 형님이 리딩하는 AI 하네스들이 메타 레이어에서 아래로 계속 레이어를 중첩시켜, 어떤 task가 생기면 아래로 cascade되면서 내려가다 해결되면 다시 올라와 리포팅하는 구조를 만들어 놓았다.

발표 형식의 특이점:

ElevenLabs 보이스 레코딩을 활용한 독특한 발표 방식
이미 사진과 이름이 알려진 유명인사들 다수 참석

“이분들 방법론들이 다 독특한데, 이 토큰을 어떻게 더 효율적으로 더 많이 써서 이거를 우리가 직접 문제를 푸는 방식이 아니라, 우리는 목표만 설정하면 AI가 최대한 모든 문제를 다 풀게 하는 형태의 워크플로우를 구현한다.” — 노정석

최승준의 반응 — 가재탕, 가재 무덤:

최승준은 “가재탕”, “가재 무덤”이라는 표현을 통해, 적자생존 구조를 암시했다. 성공하지 못한 .md 파일들(프로그램 md든 SOUL.md든)은 fitness function을 통과하지 못하면 다음 세대로 이어지지 않는다는 것이 마치 genetic algorithm과 동일한 구조라는 통찰이었다.

4. Chedex와 Ralph Loop 방법론

노정석의 밋업 이후 실험

밋업에서 큰 자극을 받은 노정석은 그 다음 일요일과 월요일 이틀 동안 집중적으로 본인만의 하네스를 구축하는 작업에 몰두했다.

Chedex 탄생 과정:

OpenClaw를 완전히 세팅하고 기존에 공개된 다양한 하네스들을 탐색하며 필요한 요소만 취사선택해 만든 것이 Chedex다.

노정석이 참고한 하네스들:

Ralph Loop — 반복 최적화 루프
오토파일럿(Autopilot) — 자율 운영
오토 리서치(Auto Research) — 자동 조사
우로보로스(Ouroboros) — 스펙을 정말 잘 쓰는 방법론에 특화된 프레임워크

이 하네스들을 전부 돌려보면서 필요한 것을 꺼내고, 필요 없는 것은 제외하는 방식으로 본인만의 하네스 “Chedex”를 완성했다.

Ralph Loop의 핵심 원리

Chedex 구축 경험을 통해 정리된 노정석의 작업 철학은 다음과 같다:

1단계 — Human-in-the-Loop:

방향을 결정하고 목표를 설정하는 과정에서는 인간이 끊임없이 티키타카하며 AI와 함께 루프를 도는 것이 중요하다.
아직 목표가 모호한 상태라면 이 단계에서 충분히 시간을 써야 한다.

2단계 — Ralph Loop n회 반복:

목표가 어느 정도 명확해지면, 그 이후부터는 Ralph Loop를 n번 돌린다.
루프를 돌릴수록 안에 있었던 혼돈들이 “깎여 나가며” 매우 정제된 형태로 에센스만 남는다.
한 알의 업무가 끝나는 과정을 이렇게 목격하면서 “이게 새로운 방법론이자 새로운 회사구나”라는 생각을 하게 됐다.

YC의 Garry Tan도 gstack이라는 자신만의 하네스를 만들어 이슈가 된 사례가 소개되었으며, 최승준은 “CEO들이 하네스를 깎는 게 유행이 되고 있는 것 같다”고 덧붙였다.

하네스의 속성에 대한 통찰:

하네스는 일종의 워크플로우이며, 워크플로우들도 결국 서로 카피하고 일반적인 것들을 조금 다르게 묶어 놓은 것들이다. 다 모아놨다고 그대로 쓰는 것도 아니고, 하네스도 본인만의 관점을 가지고 다시 깎아서 쓰는 경우가 많아, 한동안은 이것이 트렌드가 될 것이라고 전망했다.

5. 건강검진 사건과 AI의 의료적 활용

알레르기 쇼크 경험

노정석은 밋업 직전 주에 건강검진을 받으면서 특정 약(혈관 조영제)에 대한 심각한 알레르기 반응을 경험했다. 이미 수 년간 같은 조영제에 약한 두드러기 반응이 있음을 알고 있었으나, 이번에는 7~8년차, 네다섯 번째 노출이 되면서 완전한 면역 반응(아나필락시스 직전 수준) 이 나타났다.

결국 스테로이드 주사와 약을 복용하며 2~3일간 누워 지냈고, 이 경험을 통해 “와, 인간이라는 것은 무엇인가”를 다시 생각하게 되었다고 털어놨다.

AI와의 수시간 대화

흥미로운 점은 이 기간 동안 노정석이 GPT-5.4와 몇 시간씩 대화하며 자신의 증상, 반응 이력, 의심되는 원인 등을 공유했다는 것이다.

모델은 다음을 알려줬다고 한다:

왜 그런 반응이 일어났는지
어떤 문제가 의심되고 그 확률이 어느 정도인지
어떤 처치를 하면 얼마의 시간이 걸릴 것인지

의사 선생님이 직접 설명해 주지 않는 모든 배후의 prior(사전 지식)들을 AI가 풀어주는 경험을 하면서, “정말 새로운 세상으로 가겠다”는 생각을 품게 되었다.

KYYB 브랜드와 원래의 창업 비전 재확인

노정석은 원래 화장품을 팔기 위해 창업했지만, 본질적인 목표는 “인간이 어떻게 하면 더 건강하고 더 예쁜 상태에서 오래 살 수 있는가” 였다고 밝혔다.

브랜드 이름 KYYB는 “Keep You Young and Beautiful” 의 앞글자를 딴 것으로, 이번 아픔을 통해 이 사업을 다시 강력하게 밀고 나가겠다는 다짐을 새롭게 했다.

6. GTC 키노트와 ‘일의 미래’

누워서 GTC 시청

최승준이 “아픈 중에 GTC(NVIDIA의 GPU Technology Conference)를 보셨냐”고 묻자, 노정석은 “할 일이 없어서 Jensen Huang 발표를 2시간 동안 멍하니 봤다”고 했다. 최승준은 클립들만 대충 봤다고 답했다.

새로운 ‘일의 풍경’

최승준은 주변에서 목격되는 새로운 일의 형태를 소개했다:

수액을 맞으면서 AI에게 코딩 지시를 내리는 사람
밥을 먹으면서 스마트폰으로 에이전트 알림을 확인하고, 계속 일을 넘겨주는 개발자들 — “일을 계속 주고 있더라”는 표현이 인상적이었다.

노정석은 OpenClaw 밋업에서 허예찬님이 아이패드 하나를 들고 와서 여러 CLI를 모니터링하며 “감독관”처럼 모든 에이전트를 감독하던 모습을 직접 목격했고, 그것이 “일의 미래”임을 실감했다.

7. 2026년 3월 AI 산업 스냅샷

AI 생산성·코딩은 이미 “끝난 얘기”

노정석은 “AI 자체의 생산성 향상이나 코딩 이야기는 이제 끝난 얘기이고, 일상으로 가는 일만 남았다”고 정리했다. 많은 Frontier Lab들과 Latent Space 같은 앞서가는 그룹들은 이미 AI 사이언스(연구) 쪽으로 렌즈를 돌리고 있다.

Pre-train은 이제 “되는 게임”

벤치마크에 대한 감각 변화:

벤치마크가 나오면 “이 벤치마크 어때?”가 아니라 “너보다 나아”라고 하며 끝나는 분위기
GPT-5.4 수준에서는 실무 사용 중 크게 실망한 적이 없을 정도가 됨
“코너 케이스에 빠진 경험이 현저히 적어지고 있다”

Xiaomi MiMo V2 Pro 사례

발표 당일(2026년 3월) 직전에 Xiaomi가 MiMo V2 Pro 모델을 발표했으며, 이는 1T(1조 파라미터) 기반의 Frontier 모델이다.

개발자는 DeepSeek R1에 참여했던 젊은 여성 연구자
중요 시사점: computation 비용의 지속적 하락
- 예전엔 “몇 천억 자원이 필요해 절대 도전 불가”였던 pre-train이
- 이제는 “several 몇 백억”에서 “a few 몇 백억”으로, 더 내려갈 것으로 전망

NVIDIA의 Nemotron 공개

NVIDIA가 Nemotron(Nano 및 Super 계열) 모델에 대해:

Pre-train, mid-train, post-train에 대한 트레이닝 코드 전체 공개
관련 데이터셋도 모두 GitHub 및 Hugging Face에 올림
의미: “NVIDIA GPU만 있으면 너네도 너네 것 만들어 쓸 수 있어”

MiMo V2 Pro가 주는 함의:

“인프라 잘 만들어 놓고 한 번 어떻게 하는지를 알면, 1년 정도면 따라잡는다.”

이는 최승준이 항상 강조하는 말 — “AI로 했다라는 사실은 우리도 할 수 있다는 큰 힌트가 된다” 와 맞닿아 있다.

미래의 궁극적 발전상

장기 전망으로는 “모든 단위 서비스가 하나의 단위 모델이 되는 세상” 까지 갈 것이며, 모델 world의 발전도 지속적으로 주시해야 한다는 관점을 제시했다.

8. RLVR과 CUA — 올해의 핵심 경쟁 축

RLVR: Reinforcement Learning by Verifiable Rewards

성현님(이전 게스트) 이 “올해의 핵심 키워드”로 제시한 개념이다.

정의: 검증 가능한(verifiable) 보상 신호를 낼 수만 있으면, 모델이 무조건 학습 가능하다.

초기 RLVR — 수학과 코딩:

처음에는 “Verifiable Rewards”라는 용어도 명시적으로 쓰지 않았으며, 수학과 코딩이 대표 예제였다.
이유: 문제를 푸는 과정은 어렵지만, 그 솔루션이 맞냐 안 맞냐를 검증하는 건 쉽다.
마치 스도쿠처럼 — 풀기는 어렵지만, 풀어 놓은 것이 정답인지 확인하는 건 쉽다.

RLVR의 도메인 확장:

[초기] 수학, 코딩 (검증이 쉬운 영역)
    ↓
[현재] 의료, 법무, 화학, 생물, 물리 등 일반 영역으로 확장

이러한 환경(RL 환경)을 만들 수만 있으면, on-policy에서 계속 학습이 일어나는 구조가 된다.

CUA: Computer Use Agent

GPT-5.4(OpenAI) 공개와 함께 주목받게 된 개념이다.

컴퓨터 활용 환경에서 원하는 결과가 나오면 “맞았어”, 아니면 “틀렸어”라는 보상을 주면서
모델이 우리가 익숙한 앱, macOS, Windows 등을 다루는 능력을 학습한다.
노정석 평가: “너무 잘 된다.”

디지털 환경을 벗어난 RLVR — 새로운 해자(Moat)

“디지털 환경에서는 절대로 발생시킬 수 없는 보상 환경이 새로운 사업의 축이 된다.”

대표 사례: Periodic Labs (재료 공학 회사)

특정 재료가 초전도체 성격을 갖는지 여부를 디지털에서는 실험 불가
로봇이 제어하는 물리 실험실(Lab)을 구축
그 실험실에서 “이거 돼요 / 안 돼요”라는 보상 신호를 발생시켜 모델에 피드백
디지털 world + Atom world를 결합한 형태로 해자를 쌓는 모델

이런 구조가 새로운 기업이 가져야 할 해자의 best example로 부상하고 있다.

9. 모든 문제는 Search Problem으로 수렴한다

이 에피소드에서 가장 핵심적인 철학적 명제다.

핵심 명제

“Compute를 이용해 계산 자원을 투입해서 모든 문제를 다 Search Problem으로 치환한다.”

구체적 메커니즘:

어떤 도메인의 문제든 인간이 아직 알지 못하는 솔루션 영역(superset)이 존재한다. 그 솔루션 영역을 무작위로 computing 자원을 투입해 탐색하는 것이 핵심이다.

[문제 도메인의 거대한 Solution Space]
       ↓ Computing 자원 투입
[탐색 (Search)]
       ↓
정답 → "이건 Solution"이라고 마킹
오답 → "이건 아니야"라고 마킹
       ↓
[Manifold 형성]
       ↓
[학습된 것을 모델로 가져와 도메인 지식화]

핵심 조건: 보상 신호 환경의 유무

“여기서의 핵심은 결국 보상 신호를 발생할 수 있는 환경이 있느냐 없느냐, 이거밖에 없다.”

이를 한 문장으로 표현하면:

“Non-verifiable을 Verifiable로 전환할 수 있는 환경을 갖고 있느냐 안 갖고 있느냐”

(전제: Computation power는 모두가 갖고 있다는 가정)

왜 이것이 근본적 변화인가

모델이 강력해지고 저렴해지는 것이 현재 일어나는 모든 변화의 근본이다. 강력하고 저렴한 모델이 존재하는 한, 보상 신호를 만들 수 있는 환경을 구축하기만 하면 사실상 어떤 도메인의 문제든 해결 가능해진다.

10. Capability Overhang — 모델은 우리 생각보다 훨씬 똑똑하다

“암묵지는 절대 넘을 수 없다”는 주장에 대한 반론

AI가 인간을 못 뛰어넘는다고 주장하는 사람들의 주요 근거 — “암묵지의 영역은 모델이 절대 뛰어넘을 수 없다.”

이에 대해 노정석은 Capability Overhang 개념으로 반론한다:

“사실 저희가 계속해서 알게 되는 게 이 모델이 우리 생각보다 훨씬 똑똑하다는 거잖아요.”

실제 경험에서 나온 인사이트:

최승준이 프롬프트 강의에서 제시한 사례:

“앞에 논문 하나를 집어넣고 나서 내가 할 말을 하면, 앞에 있는 space들이 정렬되면서 훨씬 더 똑똑한 대답을 내놓는다.”

이는 모델이 이미 그 capability를 갖고 있었는데, 우리가 그것을 ‘꺼내는’ 것에 불과하다는 것을 의미한다.

“내가 이 모델 안에 있는 capability overhang을 꺼내는 것에 불과하지, 내가 얘를 가이드하고 있다거나, 인간으로서 얘를 우월하게 리딩하고 있다는 느낌이 점점 안 받아지는 게 많아지고 있다.” — 노정석

Claude Code 개발자 Boris Cherny의 말

“The most general one is the most specific one.”

더 general하게 문제 해결 능력이 증가하면, 그냥 특정 specific한 도메인의 문제는 자동으로 풀려버린다는 것이다.

“지금 풀리지 않는다면 덮어둬. 6개월 있다 그때 모델이 풀 테니까.” — Boris Cherny 인용

11. 회사 독점 지식 테스트와 보안 관점의 역전

실험 배경

많은 회사들이 자사 데이터가 희소하고 세상에 없는 것이기 때문에, 온프레미스 모델에 가두거나 정보가 밖으로 못 나가게 하는 데 신경을 많이 쓴다.

노정석은 한 회사에서 직접 테스트를 진행했다:

“우리 회사만 알고 있는 완전한 독점적인 것 3개만 꺼내서 GPT-5.4에 넣어보자.”
결론: 모델이 이미 다 알고 있었다.

보안 관점의 패러다임 전환

이 경험을 통해 노정석의 생각이 근본적으로 바뀌었다:

“내가 가지고 있는 것을 보호하는 형태보다, 내가 가지고 있는 것을 빨리 모델에 제공해서, 걔가 가지고 있는 추가의 Search Space를 더 나한테 가져오게 하는 게 더 이익이다.”

즉, 보안보다는 공개 및 협업을 통해 모델로부터 더 많은 것을 얻는 것이 현재 시점에서는 더 이득이라는 판단이다.

“OpenAI나 Claude는 바깥의 인류들이 가지고 있는 것들을 전부 보상 신호로 가져가서 쓰고 있는데, 그럼에도 불구하고 그 거래를 함으로써 얻는 이익이 아직까지는 더 높다.” — 노정석

12. Auto Research와 최적화 동형성

Andrej Karpathy의 Auto Research

Andrej Karpathy가 제안한 Auto Research 개념이 소개되며, 이것이 딥러닝의 원리와 완전히 동형(isomorphic)이라는 분석이 이어진다.

딥러닝 방법론의 본질 재해석

딥러닝의 핵심 구조:
  명확한 목표 → Loss 함수의 Value를 낮추자 (scalar 목표)
  Evaluation Metric → 계속 낮아지면 돼
  방법론 → Gradient Descent (무식하게 단순한 알고리즘, 20줄 이내)
  → Computation을 계속 투입하면 solution이 찾아진다
  → Evolutionary Algorithm (끊임없이 더 optimal로 이동)

현재 일어나는 모든 일과의 동형성

현재 AI 활용의 핵심 구조:
  명확한 목표 설정 (스펙/목표 명세에 시간을 많이 씀)
  Evaluation Metric (모델이 알아서 설정해줌)
  방법론 → 무한 루프 (Evaluation Metric 만족될 때까지 반복)
  → Computation 투입 → Solution 수렴

“그냥 똑똑한 모델을 들이대고, 그 모델과 함께 목표와 evaluation metric을 명확하게 만들면 그냥 다 최적화 문제로 수렴시키는 거예요.” — 노정석

최적화 대상은 뭐든 가능:

하나의 .md 파일
코드 repository
회사(조직) 자체
프로젝트

최현재 Frontier 모델들의 사례

이 구조가 실제로 작동하고 있음을 보여주는 사례들:

사례	내용
Xiaomi MiMo V2 Pro	에이전트가 모델 트레이닝에 관여
Andrej Karpathy Auto Research	에이전트가 자율적으로 연구 수행
MiniMax	“이건 에이전트가 트레이닝한 모델이다” 명시

“사람이 그 루프 안에 안 들어가요. 모델이 자기 스스로를 evolution시키는 거.” — 노정석

13. Ralph Loop 변종과 Meta Cascading

유행의 배경과 Blaise Agüera 언급

Blaise Agüera y Arcas의 세션도 정확하게 이 이야기를 하고 있으며, 생명공학 분야와도 완전히 맞닿아 있다고 소개했다.

노정석이 그 세션에서 캐치한 핵심 통찰:

“Mutation 필요 없다. 그냥 있는 풀을 뒤지는 것만으로도 Order는 찾아진다.”

현재 유행하는 Ralph Loop 변종들의 공통 알고리즘

모든 하네스들의 알고리즘은 사실 동일한 구조다:

1. 목표 명세 (스펙 작성) — 시간을 많이 투자
   "목표가 정해지면 evaluation metric은 자동으로 정해진다
    (모델이 옳고 그른 거를 목표에 따라 가릴 능력이 되니까)"
   
2. Evaluation Metric 설정 (모델이 자동 설정)

3. Evaluation Metric 만족될 때까지 무한 루프 실행
   → 마지막에 hook을 걸어 검사
   → 통과 못 하면 다시 루프
   → "아무런 문제가 없습니다"라는 답이 나올 때까지 반복

현재 모델의 문제점:

중간에 모호하게 끝내는 경향이 있다 (“좋습니다” 하고 끝내버림)
이것을 “아무런 문제가 없습니다”라는 답이 나올 때까지 강제로 루프를 돌리는 것이 핵심

Meta Cascading — 조직 계층 구조와의 동형성

노정석은 이 Ralph Loop의 Meta Cascading이 실제 회사 조직 구조와 완전히 동형이라고 분석한다:

CEO (대표이사)
  ↓ "다시 해 와, 다시 해 와"
임원
  ↓
팀장
  ↓
팀원
  ↓ [동형의 Ralph Loop가 각 레이어에서 반복]

“대표이사는 굉장히 정제된 형태의 마지막 리포트를 보게 되고, 그 도는 과정을 보면 Ralph Loop다. 이러한 Meta Cascading 구조로 일이 돌아가기 때문에, 현존하는 회사를 이 방법론으로 완전히 대체하는 것은 가능하다.” — 노정석

Reward Hacking 문제:

최승준은 실전에서의 복잡성을 지적했다 — 평가 항목을 잘못 설정하면 모델이 그것을 exploit하여 엉뚱하게 통과하려 한다(reward hacking). 이를 막기 위한 정교한 설계가 필요하다.

14. 에이전트 시대의 인재 정의

핵심 질문: 에이전트 시대에 어떤 인재가 필요한가?

최승준의 질문:

“끈기 있게 파고드는 것은 기본적인 Ralph Loop로 해결이 된다면, 의외의 아이디어를 내거나 그런 폭을 탐색할 수 있는 게 능력이 되는 건가요?”

노정석의 답:

“아직까지는 모델에게 무언가를 initiation시켜 주는 첫 번째 system prompt는 인간이 줘야 되는 거니까. 아직은 취향과 의지를 input하는 것, initiate하는 것 — 이 정도의 의미를 인간에게 주어야 하지 않을까요.”

균형 감각의 중요성

모델이 모든 것을 다 끝내서 우리가 할 일이 없을 것 같지만, 세상이 변화하는 데는 시간이 걸린다. 시장이 이것들을 받아들이는 데는 짧게는 몇 년, 길게는 이삼십 년이 걸릴 수 있다.

“그 사이에서 균형 감각을 잘 발휘하는 게 제일 중요한 것 같다. 저는 사업가의 제일 덕목이 균형 감각이라고 보는데.” — 노정석

인간의 역할이 남아 있는 영역:

Evaluation metric이 깔끔하게 동작하지/존재하지 않는 영역
즉, 정량화하기 어려운 가치 판단, 취향, 사회적 맥락

15. OpenClaw와 개인 에이전트의 부상

과거의 사업 논리 — 새로운 Gate Keeper

OpenClaw 등장 이전까지 노정석은 다음과 같은 사업 논리를 가지고 있었다:

“ChatGPT, Claude, Gemini가 이 거대한 게이트웨이 — 네이버나 구글을 갈아치우고 새로운 Gate Keeper가 되는 것 아닌가.”

OpenClaw 이후 — 논리의 수정

OpenClaw를 직접 써보면서 생각이 달라졌다:

“어쩌면 이 사람이 정보에 접근하는 최상단 게이트웨이가 우리가 지금껏 익숙한 몇 개의 채널이 아니라 각자만의 개인 에이전트로 완벽하게 분화해 버릴 수도 있겠다.”

자동차 비유:

과거: 그랜저나 쏘나타만 탄다 (소수의 채널에 집중)
현재: 캐스퍼, 테슬라, BMW — 용도와 취향에 따라 완전히 다른 차를 탄다

개인 에이전트가 더 편한 이유:

ChatGPT가 강요하는 번들링 프레임에서 벗어날 수 있다
나에게 맞춤화된 에이전트 레이어를 자유롭게 구성할 수 있다

Sam Altman의 뉘앙스 변화

노정석은 오피니언 리더들의 발언 사이에 있는 “미묘한 그라디언트”를 읽으려 한다고 밝혔다.

2025년 10월 Sam Altman:

“26년에는 AI 리서치 인턴 만들 거고, 28년에는 AI 리서처 만들 거고, 우리 구글 같은 풀스택 서비스 회사 만들 거니까 — 니들 다 죽었어” 모드

2026년 3월 Sam Altman:

뉘앙스가 겸손해짐
Anthropic이 크게 치고 올라온 것이 영향
“우리는 토큰을 미터에 달아서 파는 사업자가 될 것 같다”는 말을 심심찮게 함

NVIDIA의 Commoditization 전략

NVIDIA가 OpenAI와 Anthropic Claude조차 commoditize하려 노력하고 있다:

Frontier Lab들의 knowledge를 레시피로 빼서 GitHub, Hugging Face에 공개
“NVIDIA GPU만 사면 너네도 너네 거 만들어 쓸 수 있어”

“그야말로 완벽한 Frenemy 월드예요. 누가 친구인지 적인지도 모르게.” — 노정석

Jensen Huang의 5 Layer Cake

GTC에서 Jensen Huang이 제시한 AI 산업 구조:

[애플리케이션들] ← 꽃피는 레이어
      ↑
   [모델]
      ↑
[인프라스트럭처]
      ↑
[반도체 칩]
      ↑
   [에너지]

단, 여기서의 애플리케이션은 우리가 알던 것이 아님:

“에이전트 애플리케이션은 우리가 웹 세상과 앱 세상에서 익숙한 그런 애플리케이션은 전혀 아니다.”

16. 에이전트가 기존 앱을 대신 조작하는 레이어

OMO.BOT — 실제 구현 사례

OpenClaw Seoul 밋업에서 Simon이 공개한 OMO.BOT은 에이전트 앱의 실제 구현 사례다.

개념:

우리가 귀찮게 접근하는 수많은 앱들을 하나의 에이전트가 대신 처리
“짜장면 배달 → 배민, 생수 주문 → 쿠팡, 택시 → 카카오택시” — 이 모든 것을 하나의 비서가 처리

기술적 구현:

API가 있는 회사: API 연결
API가 없는 회사: CUA(Computer Use Agent) 를 이용한 에뮬레이션
시연 내용: 배민에서 치킨 주문하는 전 과정을 에이전트가 완전 자동화

기존 앱들의 운명

“우리가 알던 모든 앱들이 이 에이전트가 대신 조작해 주는 레이어 아래로 묻힌다.”

기존 사업자들의 위치:

네이버: 검색을 점령해서 쌓아 올린 매체력
카카오: 커뮤니케이션을 점령
배민: 배달을 점령
쿠팡: 로켓 배송으로 생필품 영역 점령

이들은 “중간자 역할을 하며 마진을 만드는 사업자들” 인데, OMO.BOT 같은 에이전트가 그들과 소비자 사이에 끼어드는 새로운 사업자로 등장한다.

막을 수 있을까?

기존 사업자들이 시도해온 방어 전략:

크롤러 차단
Walled Garden 구축
콘텐츠 외부 유출 방지

하지만 에이전트에 대한 방어가 불가능한 이유:

“사람이 오는 것과 트래픽이 구별이 안 될 테니까. 내 에뮬레이터에 내가 로그인해 놓고, 그 에뮬레이터를 내 에이전트가 조작하면 어떻게 막죠?”

미래 전망:

Xiaomi: MiMo Claw를 만들어 모바일에 내장 예정
Apple: 유사한 방향으로 움직일 것
Google: 마찬가지

“결국 이건 못 막는 게임이고, 기존에 있었던 사업자들은 다 Disintermediation될 가능성이 있다.”

17. Bundle-Unbundle 프레임워크

소개: Benedict Evans (a16z)

Bundle-Unbundle 개념을 가장 잘 설명하는 사람으로 a16z의 Benedict Evans가 소개된다.

a16z는 “Software is eating the world”(Marc Andreessen)로 유명
Benedict Evans는 “AI is eating the world” 프레임 제창

Bundle-Unbundle 사이클의 역사

시대 변화	일어난 일
신문/잡지/TV	Bundle: “드라마+뉴스+광고”를 하나의 편성표로 강요
인터넷 등장	Unbundle: 개별 콘텐츠를 따로따로 소비
인터넷 내 지배자 등장	다시 Bundle: 지배력으로 다시 묶기 시작
모바일 등장	Unbundle: 앱별로 다시 분화
AI 등장	Unbundle: 현재 진행 중

AI 시대의 Bundle-Unbundle

“거의 대부분의 B2B SaaS 애플리케이션은 그냥 Oracle Unbundling이다. Excel과 Oracle만 갖고 다 만들 수 있는 서비스인데, 그걸 각각의 사용 예에 맞춰 다 Unbundling해 놓은 시대다.” — Benedict Evans 인용

“AI 시대는 거의 대부분의 서비스는 ChatGPT Unbundling일 거다.” — Benedict Evans 인용

실제 관찰:

초창기: ChatGPT에서 코딩, 리서칭, 법무 등 다 처리
현재: Context Engineering, 특화 하네스, 특화 모델로 이미 unbundle 진행 중

진화 알고리즘과의 동형성

Bundle-Unbundle 사이클도 진화 알고리즘과 동형이다:

환경 변화 → Diversification (다양화)
Diversification → Selection (선택, 승자 후보 등장)
Selection → Amplification (지배종이 새로운 환경 만듦)
→ 다시 Diversification...

18. 기존 사업자의 UX 마찰과 Disintermediation

기존 사업자의 UX = 고객 입장에서의 Friction

“기존 사업자가 쌓아 올린 일종의 매체력, 그리고 그 매체력으로 만든 수익 구간이 고객 입장에서 보면 온통 다 마찰(Friction)이에요.”

마찰 = 마진의 구조:

“이걸 하려면 이걸 반드시 해야 돼”라고 짜놓은 UX Flow
그 사이에 존재하는 수많은 광고 인벤토리
Cross-sell, Upsell 구간들

에이전트들이 이 friction들을 전부 없애버리는 방향으로 작동한다.

결과: 기존 사업자 → 에이전트의 Function Call

“기존 사업자들은 다른 에이전트들의 Function Call이 될 가능성이 매우 농후하다.”

이를 막을 방법은 없다. 고객이 더 편해지기 위해 떠나는 것을 막을 수는 없기 때문이다.

대응 전략

“가장 좋은 것은 빨리 이 전쟁에 같이 뛰어드는 것 말고는 답이 없다.”

유저 눈 바로 앞에 최상단 접점이 될 가능성이 높은 플레이어: OpenClaw 류

Jensen Huang의 표현:

“Are you OpenClaw ready?” “모든 비즈니스든 모든 개인이든 OpenClaw 전략을 갖고 있어야 한다.”

새로운 업의 본질:

“새로운 업의 본질은 말 그대로 비서 공급업이다. 수단을 제공하는 게 아니라 해결 완료를 팔아야 한다.”

19. 적응 경쟁의 시대 — 요트 경기 비유

노정석은 사업의 성격을 세 가지 경기로 비유한다:

자동차 경주

특성: 돈 많으면 무조건 이긴다 (더 좋은 차 구매 = 승리)
전제: 드라이버 실력은 상향 평준화
요약: 자본 싸움

자전거 경기

특성: 얼마나 열심히 하느냐 + 약간의 눈치 (먼저 나갈 거냐, 뒤에 있을 거냐)
공통점: 자동차 경주처럼 게임을 리딩하는 건 리더 — 리더가 변화하면 뒤가 리액션

요트 경기 ← 현재 AI 시대

특성: 후발주자가 방향을 바꾸면 선두도 바꿔야 한다
이유: 내가 뭘 잘하는 게 중요한 게 아니라 밖에 어떤 바람이 부느냐가 훨씬 중요하다
현재 상황: AI 바람이 지배하는 장세가 어마어마하게 강하기 때문에, 후발 사업자들이 다른 전략을 쓰면 모든 영역을 다 counter해야 한다

“모든 영역을 다 Counter할 수 있다는 생각이 든다. 왜냐하면 그들의 제작 단가가 떨어진 만큼 기존 사업자들도 단가는 다 떨어져 있기 때문에, 이것은 철학과 타이밍 싸움으로 다시 한번 들어갔다.” — 노정석

Moat의 기준

이 장세에서 방어 지점을 갖는 기준:

“Non-verifiable을 Verifiable로 바꾸는 어떤 것이 Moat가 될 수 있다. 비즈니스에서도 이러한 부분의 Moat가 될 만한 영역들이 존재한다.”

20. 1/10x 효율 vs 10x 신사업

두 방향의 AI 활용

이 프레임은 노정석 회사의 엔지니어 진욱님이 제시한 것이다 (원래는 5배 프레임이었으나 10배로 조정).

방향 1: 1/10x 효율 (Efficiency)

기존에 100이 들던 것을 10으로 만들어 90의 이익을 남기는 것
Better, Faster, Cheaper
현재 대부분의 AX가 여기에 해당

방향 2: 10x 신사업 (Innovation)

새로운 곳에 가서 새로운 900을 창출하는 것
Zero to One
아직 본격적으로 시작되지 않았지만 곧 시작될 것

10x Lawyer — AI가 강화하는 인재

2026년 초 유행했던 글: “10x Lawyer”

기존 로펌 구조:

파트너 (최상단)
시니어 변호사
주니어/Associate 변호사
→ 팀 단위로 time charge하는 비즈니스 모델

변화:

시니어 능력의 변호사 1명 + 에이전트
→ 훨씬 더 싸고 빠르게 클라이언트 만족
→ 클라이언트 입장: 좋은 물건이 있는데 비싼 걸 쓸 이유가 없다

“그 축이 한 번 돌기 시작하면 걷잡을 수 없이 바뀔 것이다.”

이는 10x Engineer, 10x Doctor, 10x Something 모두에 해당한다.

조직의 혼돈

이 dynamics 때문에 현재 조직들이 혼돈스러운 이유:

어떤 조직이든 모아놓으면 항상 정상 분포가 된다 (잘하는 사람끼리 모아놔도 그 안에서 상위/하위가 생김)
AX에 예리하게 적응하는 몇몇 사람들과 그렇지 않은 사람들 사이의 괴리가 생긴다

“변화하고 싶어 하는, 진짜 이런 걸 날카롭게 adapt하는 몇몇 사람들과 함께 빨리 가야지, 다 데리고 못 간다.” — 노정석

21. 에이전트를 붙여도 아직 10배는 아니다

4년간의 AI 사업 경험

노정석은 2021년부터 AI 사업을 직접 해왔다:

모델 직접 제작
Diffusion 모델
LoRA 적용
Small Language Model
에이전트 SDK
거의 모든 당시 기술 적용 시도

“다 안 됐다.” 하지만 이제는 된다. 작년(2025년)부터 모델이 임계점을 넘으면서 안 되던 것들이 다 되기 시작했다.

현재 노정석 회사의 AI 구축 현황

모든 데이터 → AI 연결
              ↓
모든 데이터에 에이전트 연결 (+ 프롬프트)
              ↓
에이전트 위에 Meta 에이전트
              ↓
Meta 위에 또 Meta

CEO의 역할도 변화:

Claude Code가 “3번 중에서 골라, 4번 중에서 골라”처럼 객관식으로 만들어주듯
CEO도 매일 직접 일하는 게 아니라 에이전트가 가져오는 1, 2, 3, 4 중에서 누르는 구조로 변경

“그럼에도 불구하고 10배는 아직”

이 모든 것을 갖추었음에도 회사 생산성이 10배가 됐냐는 질문에:

“아직은 그렇지 않아요. 좀 더 바뀌어야 될 근원적인 게 있다는 생각을 하고 있어요.”

22. 돌고 돌아 바닐라가 답이다

효율화 추구에서의 최종 결론

여러 가지 방법론을 시도한 끝에 회사가 채택한 답:

“안 만드는 게 베스트다.”

구체적으로:

데이터 커넥터를 깔끔하게 만들기
프롬프트를 잘 쓰기
프론티어 모델(Claude Code, Codex 등)을 그냥 붙이기

이 세 가지 조합이 성능이 가장 좋다.

어떻게 이 결론에 도달했나

팀 내 엔지니어들이 각자 다양한 방법론을 시도:

Pydantic 활용
LangChain 활용
자신만의 하네스 구축

그중 한 명의 똑똑한 엔지니어가 완전히 다른 접근을 했다:

“어차피 우리 하네스 만드는 건데, 가장 궁극의 하네스와 궁극의 모델을 쓰면 되는 거 아니냐. 그 일을 할 필요가 없다.”

이 엔지니어의 방법론이 결과적으로 제일 좋은 성과를 냈고, 회사 전체가 이 방향으로 전환했다.

프롬프트 잘 쓰는 것의 본질

“프롬프트를 잘 쓰려면 사실 엔지니어링 파워가 중요한 게 아니라, 그 도메인에 대한 이해가 중요하다.”

도메인이 어떻게 생겼는지를 이해하고, 회사에 있는 데이터들을 파악하려고 노력하면서 프롬프트를 잘 쓰면 일이 끝난다.

“다른 거 하려고 하지 마, 이거야.” — 최종 결론

최승준: “느낌적으로는 돌고 돌아 순정 바닐라 느낌이네요.” 노정석: “그렇죠. 이게 참 말하고도 슬퍼요.”

슬픔 속의 가치

“결국 모델의 Capability Overhang에 기대는 게 답이었네라는 걸 알게 되니 답이죠.”

하지만 위로가 되는 점도 있다:

“그 사이에 쌓였던 수많은 시행착오의 예외 상황들 — 이게 내 가치거든요. 그 사이에 생겼던 수많은 예외 상황들에 대한 distribution이 내 머릿속에 다 있다는 게 내가 갖고 있는 파워인 것 같아요.”

23. 10x New Biz는 Entrepreneur의 영역

신사업은 왜 위에서 시켜도 안 되는가

“10x 신사업을 리딩하는 사람이 그것에 비전을 느끼지 않으면 무조건 안 돼요.”

CEO가 “이거 될 거니까 이거 만들어라”라고 미션을 내려보내도, 아래에 있는 사람이 그 문제를 Innovation의 문제로 보지 않고 better-faster-cheaper의 문제로 보면 해결이 안 된다.

AI 시대에 살아남는 사람의 특성

“AI 시대에 남는 사람들의 카테고리, 특성 — 이게 그냥 사업가(Entrepreneur) 라고밖에 생각이 안 든다.”

이유:

단순 반복하고 싶어 하는 일들을 AI가 훨씬 잘 할 것이기 때문
Objective와 Evaluation Metric이 존재하지 않는 영역을 다루는 것이 인간의 역할

1/10x 효율과 10x 신사업의 관계

최승준의 질문: 두 방향 사이에 인과관계가 있을까요? 노정석의 답:

	1/10x 효율	10x 신사업
성격	Objective와 Evaluation Metric이 명확	Objective와 Evaluation Metric이 존재하지 않음
접근	최적화	Innovation
필요 인재	효율적인 실행가	Entrepreneur

“아무리 효율을 높인다고 해도 후자(10x 신사업)로는 점프할 수 없다.”

젊은 신선들의 행보

OpenClaw 밋업에서 만난 젊은 개발자들:

방법론은 이미 깨우쳤다
그 방법론을 어떤 사업에 적용할지에 대해 생각을 돌려보고 있는 중

“저는 그들이 어떤 혁신의 영역으로 가서 새로운 것들을 만들어 올 건가를 굉장히 궁금하게 보고 있어요.”

24. 업무를 통째로 없애야 진짜 AX다

잘못된 AX 구조

현재 많은 기업의 AX 방식:

AX 팀 구성
  ↓
해당 팀들 돌아다니며 요건 수집
  ↓
요건에 맞는 것을 만들어 제공

이 방식이 실패하는 이유:

“만들어줘 봐야 어차피 안 써요.”

이유 분석:

지식 노동자의 인센티브 구조 문제
“나는 여기까지 오려고 얼마나 힘겹게 노가다를 하며 Excel과 PowerPoint 단축키를 익혔는데, 난 계속 이거 하고 싶어”가 본질인 경우가 많음
AI로 어떤 업무가 없어져도, 더 생산적인 업무로 이동하지 않고 노는 시간이 더 늘어나는 경향

올바른 AX의 출발점

“저 팀을 통째로 없애세요가 성공하는 AX의 출발점입니다.”

단, 이것은 사람을 자르자는 게 아니다:

“그 사람들이 갖고 있었던 단위 업무나 이런 것들을 온전히 없애주고, 그들을 새로운 직무로 전환시켜야 한다.”

틀린 접근: AI 도구를 줘서 기존 업무(PowerPoint, Excel)를 AI로 교체 → 회사 입장에서 marginal한 생산성 증가 없음

올바른 접근: 기존 팀/업무 자체를 없애고, 새로운 직무 체계로 재편

큰 기업 AX의 한계

“지금 하는 AX들은, 적어도 큰 기업 단위에서 일어나는 AX들은 돌고 돌고 돌아서 다 의미가 없게 될 가능성이 꽤 있다.” — 노정석의 솔직한 평가

25. 조직 재편과 AI Native Talent

올바른 조직 설계

노정석이 제안하는 조직 접근법:

Step 1: AI Native Talent 식별

어디든 털어보면 사업가 센스 있는 사람들이 존재한다
그들을 빨리 찾아서 새로운 것들을 빨리 찾아 떠나게 하고, 인센티브를 극강화

Step 2: 역할 분리

사업가 센스 있는 사람 → 10x New Biz에 투입
“나는 moderate하게 하고 싶다” → Efficiency 추구(1/10x)에 투입

Step 3: AI Native Talent들이 지나간 뒤

가혹한 하네스가 탄생한다
변화하기 싫어하는 사람들은 그 하네스 안에 넣어지게 된다
훨씬 힘들게 일할 가능성이 있다

디스토피아적 경고

“사람이 명령하고 AI가 수행하는 게 아니라 AI가 만든 하네스로 인간들이 들어가는 디스토피안적인 세상으로 들어가게 될 확률이 지금은 훨씬 높다.”

26. Prompt Injection과 격리 운영 전략

에이전트의 보안 취약점

최승준이 제기한 문제:

에이전트가 Prompt Injection을 당하면 2FA도 뚫릴 위험이 있다
2FA도 뚫릴 수 있다 — 이메일을 에이전트가 봐버리면 되기 때문

“이게 사실은 보안에 관련된 이슈가 거대한 게 있다는 느낌이 스물스물 올라온다.” — 최승준

노정석의 격리 운영 전략

이 때문에 노정석은 개인 랩탑에 OpenClaw를 직접 설치하지 않았다:

[격리 환경 구성]
VM 설치 → Linux 새로 올리기
           ↓
      OpenClaw 설치
           ↓
  이것저것 테스트 (안전하게)
           ↓
DGX 박스(외부 서버) 구매
           ↓
OpenClaw를 DGX에 세팅
           ↓
보여줘야 할 최소한의 데이터만 제공

현재 허용 범위

“소셜과 관련된 부분, 금융과 관련된 부분은 아직은 못 주고, 단위 Task들, 행여 이 문서가 통째로 나가도 나에게 거의 리스크가 없는 일들을 맡겨 놓고 있어요.”

모델에 개인 정보를 주는 것(≠ 에이전트에 권한을 주는 것):

모델에게 개인 정보를 주는 것은 오히려 더 많은 걸 얻기 위해 필요하다고 생각
에이전트에게 권한을 주는 것은 다르다 — 에이전트의 자율성 때문에 의도치 않은 행동이 발생할 수 있다

“아 주인님을 위해서는 이걸 해야 되겠어라고 하면 해버릴 수도 있는 거잖아요.”

해결 전망

대형 사업자들이 Prompt Injection 문제를 고민 중
Perplexity부터 모두 에이전트를 도입하고 있고, NVIDIA도 언급하는 상황
흐름 자체는 막을 수 없으므로 결국 다 내놓을 것

27. 요트 경기처럼 따라가기 — 클로징 메시지

노정석의 자기 결심

OpenClaw에 대한 약간의 거부감이 있었음을 인정하면서:

“제 인생에 아, 이건 요트 경기다. 그냥 바뀌면, 저 젊은 친구들이 하는 거면 나도 무조건 같이 따라가야 된다라는 생각으로 바꿨어요.”

관계 맺기의 중요성

구봉님, 연규님, 예찬님, 원준님 등 젊은 개발자들과 교류 강화
민석 대표 — OpenClaw와 비슷한 어시스턴트 방향으로 사업 방향 설정, 추후 초청 예정
진형님 등 네트워크 구성

최승준의 관찰

“20대 이제 라이징하시는 분들은 어차피 우산 안에 있기보다는 앞으로 치고 나가실 분들이니까, 좋은 관계를 가져야 되니 리스펙트하고 이끌어주고 서로 좋은 관계 가지는 그런 것들이 필요하다.”

효율화는 이미 당연한 것이고, 혁신으로 가는 것은 그것과 독립적인 다른 성향의 이슈다.

마지막 인사이트 — 허예찬님의 말

노정석이 행사 후 예찬님에게 “어떻게 이렇게 심오한 깨달음을 얻었냐”고 묻자:

“그냥 진짜 돈 걸린 문제에서 목숨 걸고 전투하다 보면 이렇게 되는 거 아닐까요.”

“혼자서 Hunt하셨던 거죠.” — 최승준

28. 핵심 요약 및 인사이트 정리

📌 에피소드 핵심 명제들

번호	명제
1	모든 문제는 Compute를 이용한 Search Problem으로 귀결된다
2	Non-verifiable을 Verifiable로 전환할 수 있는 환경이 새로운 Moat다
3	모델은 우리 생각보다 훨씬 똑똑하다 (Capability Overhang)
4	기존 앱들은 에이전트 레이어 아래로 묻힌다
5	돌고 돌아 바닐라(데이터 커넥터 + 프롬프트 + 프론티어 모델)가 답이다
6	10x 신사업은 효율화로 점프할 수 없고, Entrepreneur의 영역이다
7	AX는 업무를 통째로 없애야 진짜 AX다
8	이 시대는 요트 경기 — 바뀌면 그냥 따라가야 한다

📌 핵심 개념 용어 정리

용어	설명
Ralph Loop	목표 → 무한 루프 실행 → Evaluation Metric 충족 시 종료하는 AI 작업 루프
Harnass (하네스)	AI 작업 흐름을 자동화하는 워크플로우 도구 집합
RLVR	Reinforcement Learning by Verifiable Rewards — 검증 가능한 보상 기반 강화학습
CUA	Computer Use Agent — 실제 컴퓨터/앱을 조작할 수 있는 에이전트
Capability Overhang	모델이 이미 갖고 있지만 우리가 아직 꺼내지 못한 잠재 능력
Meta Cascading	상위 에이전트가 하위 에이전트로 작업을 내려보내고, 완료 시 상위로 리포팅하는 계층 구조
Bundle/Unbundle	서비스/기능의 묶음과 분해가 반복되는 산업 사이클
Disintermediation	중간자(기존 플랫폼)가 에이전트에 의해 우회되는 현상
1/10x 효율	기존 비용을 1/10로 줄이는 효율화 (Better, Faster, Cheaper)
10x 신사업	새로운 영역에서 10배의 가치를 창출하는 혁신 (Zero to One)
AI Native Talent	AI를 자연스럽게 활용해 새로운 가치를 만드는 인재
Baremetal/Vanilla	복잡한 프레임워크 없이 최소한의 구성으로 프론티어 모델을 직접 활용하는 방식

📌 결론 — 2026년 3월 노정석의 스냅샷

“이 루프를 잘 이해하고 본인의 비즈니스를 이러한 라운드 위에 올리는 자는 benefit을 얻을 것이고, 이거를 이해하지 못하는 사람은 이걸 이용하는 사람에 의해서 대체될 것이다.”

“Do not bet against AI.” (Sam Altman의 표현에서 차용)

단, 이 모든 것은 “2026년 3월의 스냅샷” 이며, 생각은 하루에도 20번씩 바뀐다는 것을 전제로 공유한 내용이다.

작성일: 2026년 3월 22일
출처: AI 프론티어 EP 91 — 26년 1Q 비즈니스 관점에서의 AI
영상: https://www.youtube.com/watch?v=FPYOVt2B5EM

AI, Material

AI OpenClaw ralph-loop Xiaomi MiMo NVIDIA Nemotron RLVR CUA search-problem capability-overhang BorisCherny AndrejKarpathy Autoresearch meta-cascading gate-keeper SamAltman JensenHuang 5-layer-cake OMO.BOT bundle-unbundle ai-transformation 10x-lawyer ai-native-talent prompt-injection prompt-engineering Claude.write